The DCN CURATE(D) Steps

DATA CURATION NETWORK, DCN  https://datacuration.network/outputs/workflows/ elaboró un conjunto estandarizado de pasos y listas de verificación C-U-R-A-T-E-D para garantizar que todos los conjuntos de datos enviados a la Red reciban un tratamiento coherente (DCN, 2018). La lista de verificación CURATE(D) «CURATE(D) Checklist»  se redactó en la fase de planificación del proyecto y fue mejorada por los miembros de la DCN en la Primera Reunión Anual General celebrada en julio de 2018 (ver versión 1). Los pasos CURATE(D) fueron revisados en 2022 por numerosos miembros de la DCN.

Check Understand Request Augment Transform Evaluate DDocument 

Comprobar archivos/código y leer la documentación, Comprender los datos – Solicitar información que falte – Ampliar los metadatos para facilitar la localización (DOI, estándares de metadatos, descubribilidad) – Transformar formatos de archivo para su reutilización (preservación de datos, herramientas de conversión, visualización de datos) – Evaluar la conformidad con los principios FAIR (licencias de uso transparentes, estándares de responsabilidad, métricas para el seguimiento del uso) y Documentar todas las actividades de curación a lo largo del proceso. 

CHECK files and read documentation (risk mitigation, file inventory, appraisal/selection)

UNDERSTAND the data (or try to), if not… (run files/environment, QA/QC issues, readme)

REQUEST missing information or changes (tracking provenance of any changes and why)

AUGMENT metadata for findability (DOIs, metadata standards, discoverability)

TRANSFORM file formats for reuse (data preservation, conversion tools, data viz)

EVALUATE for FAIRness (licenses, responsibility standards, metrics for tracking use)

DOCUMENT your curation activities (Curator Log, correspondence)

Categorización de la investigación y el valor de los datos estructurados

Research categorization and the  value of structured data. Jonathan Adams, Dmytro Filchenko. Institute for Scientific Information, 2026. 

DOI: 10.14322/isi.research.categorization.and.the.value.of.structured.data

La fiabilidad de la información científica no depende únicamente de la escala o la transparencia. Para que la investigación pueda ser descubierta, comparada y evaluada de manera eficaz, los datos subyacentes deben estar limpios, estructurados de forma coherente y ser estables a lo largo del tiempo. A medida que el corpus académico mundial crece en volumen y complejidad, los riesgos derivados de datos incompletos o mal estructurados se hacen más evidentes, especialmente en lo que respecta a la evaluación comparativa, la valoración y la toma de decisiones políticas.

Basándose en décadas de desarrollo metodológico en el Institute for Scientific Information (ISI), este informe examina cómo la curación deliberada de datos, la categorización estable y los metadatos enriquecidos sustentan la base de datos Web of Science y su capacidad para respaldar el descubrimiento, la evaluación y el análisis fiables.

Con la lectura de este informe podrá Comprender por qué los datos de actividad de investigación limpios y estructurados de forma coherente son esenciales para la evaluación comparativa, la evaluación y el análisis de tendencias fiables. Explorar cómo los datos de investigación estructurados pueden alinearse con los marcos nacionales de evaluación de la investigación y con objetivos globales como los Objetivos de Desarrollo Sostenible de las Naciones Unidas. Ver qué puede fallar en la búsqueda, el descubrimiento y el análisis cuando los datos de investigación estructurados y eficaces están incompletos o faltan, desde indicadores de colaboración distorsionados hasta comparaciones engañosas y tendencias inestables.